Добавить agent.py

agent.py

@@ -0,0 +1,52 @@
+"""
+agent.py — AI-агент с RAG-памятью на базе Ollama (llama3) и Qdrant.
+
+Использует create_react_agent из langgraph (рекомендуемый способ в LangChain v0.3+)
+с системным промптом, инструктирующим агента работать с базой знаний.
+"""
+
+from langchain_ollama import ChatOllama
+from langgraph.prebuilt import create_react_agent
+from langchain_core.messages import SystemMessage
+
+from tools import search_knowledge_base, add_to_knowledge_base
+
+# ── Модель ────────────────────────────────────────────────────────────────────
+LLM_MODEL = "llama3"
+
+llm = ChatOllama(model=LLM_MODEL, temperature=0.3)
+
+# ── Системный промпт ──────────────────────────────────────────────────────────
+SYSTEM_PROMPT = """Ты — интеллектуальный AI-ассистент с доступом к локальной базе знаний.
+
+Правила работы:
+1. ВСЕГДА начинай с поиска в базе знаний с помощью инструмента search_knowledge_base,
+   прежде чем отвечать на вопрос пользователя.
+2. Если в базе найдена релевантная информация — используй её как основу ответа
+   и явно ссылайся на источник.
+3. Если пользователь просит сохранить информацию — используй add_to_knowledge_base.
+4. Если база знаний не содержит нужной информации — честно сообщи об этом
+   и постарайся помочь на основе своих знаний.
+5. Отвечай на том же языке, на котором задан вопрос.
+"""
+
+# ── Агент ─────────────────────────────────────────────────────────────────────
+rag_tools = [search_knowledge_base, add_to_knowledge_base]
+
+agent = create_react_agent(
+    model=llm,
+    tools=rag_tools,
+    prompt=SYSTEM_PROMPT,
+)
+
+
+def run_agent(user_input: str) -> str:
+    """
+    Запускает агента с переданным запросом и возвращает финальный ответ.
+    """
+    result = agent.invoke({"messages": [("user", user_input)]})
+    # Финальное сообщение — последнее от ассистента
+    for msg in reversed(result["messages"]):
+        if msg.type == "ai" and msg.content:
+            return msg.content
+    return "Агент не вернул ответ."